1、二维曲线2、二维渐变图3、二维散点图4、条形图5、填充图6、多Y轴图7、三维曲线图8、三维散点图9、三维伪彩图10、裁剪伪彩图11、等高线图12、三维等高线图13、等高线填充图14、三维矢量场图15、伪彩图+投影图16、热图17、分子模型图18、分形图

在卷积网络搭建过程中，遇到了一个困惑，那就是如何根据卷积的一些超参数来计算网络的输出的大小，即卷积尺寸变化为了使得计算过程更加直观，定义以下参数定义定义定义输入尺寸为输出尺寸为则有卷积尺寸变化为例如，输入为28 ，卷积核为3*3 ，步长stride=1，padding=1，由以上公式可以得出新的输出为输出任然为28不变但是肯定会有不能被整除的状况，在PyTorch中可以看到池化类似Shape:-

ResNet50包含49个卷积层和1个全连接层，属于较大型的网络，实现起来略有难度。对于理解数据流、卷积层、残差、瓶颈层，以及对大型网络的编写和调试都有很大帮助。Resnet-50代码的复现，论文的理解

1、二维曲线2、二维渐变图3、二维散点图4、条形图5、填充图6、多Y轴图7、三维曲线图8、三维散点图9、三维伪彩图10、裁剪伪彩图11、等高线图12、三维等高线图13、等高线填充图14、三维矢量场图15、伪彩图+投影图16、热图17、分子模型图18、分形图

数学建模-2022年亚太赛C题（含思路过程和代码）

● 难度：夯实基础⭐⭐● 语言：Python3、Pytorch3● 时间：2月18日-2月14日🍺要求：1.根据本文的Pytorch代码，编写Tensorflow代码2.了解DenseNet和ResnetV的区别3.改进地方可以迁移到哪里呢

提前下载安装python和anaconda（我这里的版本是python=3.7、anaconda=1.6.0）在编译器pycharm的终端或者快捷win+R输入cmd到终端1、创建新环境condacreate-npytorch1.6_cuda10.2python=3.7//创建python3.7pytorch1.6的编译环境2、激活环境condaactivatepytorch1.6_cuda10.

DPN通过一系列非常精彩的推导分析出了ResNet和DenseNet各自的优缺点，通过将卷积网络抽象化为高层的RNN，得出了ResNet低冗余性的优点但是存在特征重用的缺点，也得出了DenseNet可以生成新特征的优点但是冗余度过高的问题，因此提出了结合ResNet和DenseNet的DPN。

名词解释：传感器的定义：传感器是能以一定精确度把某种被测量（主要为各种非电的物理量、化学量、生物量等）按一定规律转换为（便于人们应用、处理的）另一参量（通常为电参量）的器件或测量装置。填空题：检测系统按照被测参量的检测转换方法分类：电磁转换、光电转换、其他能/电转换。检测系统按使用性质分类：标准表、实验室表和工业用表。误差的表示方法：绝对误差、相对误差、引用误差、最大引用误差。最大引用误差作为判断

1、二维曲线2、二维渐变图3、二维散点图4、条形图5、填充图6、多Y轴图7、三维曲线图8、三维散点图9、三维伪彩图10、裁剪伪彩图11、等高线图12、三维等高线图13、等高线填充图14、三维矢量场图15、伪彩图+投影图16、热图17、分子模型图18、分形图